通过整合第一原理计算和机器学习进行高熵材料设计：以Al-Co-Cr-Fe-Ni体系为例

高熵合金（HEAs）因其卓越的特性而在材料科学界引起了广泛关注。然而，由于其庞大的成分空间，优化这些合金的组成是一项挑战。传统的计算方法受到高计算成本的限制，限制了数据库的快速扩展。在本研究中，我们提出了一种新方法，将第一原理计算与机器学习相结合，以高效探索Al-Co-Cr-Fe-Ni体系，包括面心立方（FCC）和体心立方（BCC）相。我们的方法建立了组成、相稳定性和在0 K时的弹性特性之间的综合关系。为该体系开发了一个全面的数据库和软件。对该数据库的分析揭示了在特定的价电子浓度（VEC）标准下存在FCC和BCC相。通过使用性能指标进行筛选和统计分析，我们定量研究了脆性和延展性，促进了最佳HEAs候选材料的识别。这项工作增强了我们对HEA特性的理解，为材料设计和优化提供了有前景的途径。